Прогнозирование заболеваемости туберкулезом с применением метода машинного обучения

Введение. Прогнозирование развития эпидемического процесса туберкулеза (ТБ) является сложной задачей, поскольку эпидемический процесс как явление представляет собой мультифакторный феномен.

Цель. Создать динамическую модель долговременного прогноза заболеваемости ТБ в Российской Федерации с применением методов машинного обучения для планирования и проведения научно обоснованных профилактических мероприятий с учетом региональных особенностей эпидемической ситуации.

Материалы и методы. Разработка динамической модели прогноза включала отбор эпидемиологических, социальных, демографических, экономических факторов, имеющих наибольшее влияние на развитие эпидемического процесса ТБ, на основе метода экспертных оценок Delphi; определение веса каждого фактора; ранжирование субъектов РФ по уровню экономического развития, заболеваемости и смертности от ТБ; создание математической модели с использованием методов машинного обучения. В качестве модели машинного обучения выбран гауссовский процесс. Обучение модели происходило на данных 2010–2016 гг., валидация – на данных 2017–2021 гг. Модели реализовывали на языке Python 3 с использованием открытой библиотеки scikit-learn и CatBoost.

Результаты. Матрицу модели составили показатели, оказывающие наиболее значимое влияние на развитие эпидемического процесса ТБ: величина валового регионального продукта, количество безработных, ожидаемая продолжительность жизни; заболеваемость ТБ; доля впервые выявленных больных ТБ легких с бактериовыделением, выявленным при бактериоскопии и посеве мокроты; доля первичной множественной лекарственной устойчивости микобактерий ТБ; количество умерших от ТБ в течение первого года наблюдения. Полученная динамическая модель заболеваемости ТБ с использованием методов машинного обучения обладает высокой предиктивной способностью (R2 = 0,78).

Выводы. Динамическая модель прогноза заболеваемости ТБ обладает высокими прогностическими возможностями независимо от уровня экономического развития субъекта РФ и может служить основой для формирования индивидуализированных алгоритмов выбора мер по оптимизации выявления, лечения и профилактики ТБ.

1. Хальфин РА, Мадьянова ВВ, Столбов АП, Ефимова АО, Качкова ОЕ. Концепция организационной модели пациент-ориентированной системы оказания медицинской помощи в условиях цифровой трансформации здравоохранения. Проблемы стандартизации в здравоохранении. 2019;(11-12):50–57. https://doi.org/10.26347/1607-2502201911-12050-057.

2. Сучков СВ, Ставицкая НВ, Notkins A, Лопухин ЮМ., Bunz F, Белов ЮВ и др. Введение в предиктивно-превентивную и персонифицированную медицину: опыт прошлого и реальность дня завтрашнего. Туберкулез и болезни легких. 2014;91(7):77–89. Режим доступа: https://www.tibljournal.com/jour/article/view/109.

3. Яковлев АА. О роли глобальных и региональных факторов в развитии эпидемического процесса антропонозных инфекций. Эпидемиология и вакцинопрофилактика. 2020;19(6):86–100. https://doi.org/10.31631/2073-3046-2020-19-6-86-100.

4. Мешков ИО, Ревякина ОВ, Краснов ВА, Шварц ЯШ, Петренко ТИ. Применение методов многомерной статистической обработки данных для выявления закономерностей течения туберкулеза в Сибирском и Дальневосточном федеральных округах. Туберкулез и болезни легких. 2018;96(6):30–37. https://doi.org/10.21292/2075-1230-2018-96-6-30-37.

5. Крепс ТВ. Междисциплинарный подход в исследованиях и преподавании: преимущества и проблемы применения. Научный вестник Южного института менеджмента. 2019;(1):115–120. Режим доступа: https://www.elibrary.ru/zdbern.

6. Рогулин РС. Использование методов анализа данных и машинного обучения для прогнозирования и планирования спроса при управлении цепочек поставок. Теоретическая экономика. 2023;(8):35–53. Режим доступа: https://theoreticaleconomy.ru/ru/nauka/article/81582/view.

7. Авилов КК, Романюха АА, Белиловский ЕМ, Борисов СЕ. Сравнение схем моделирования естественного течения туберкулеза органов дыхания. Математическая биология и биоинформатика. 2019;14(2):570–587. https://doi.org/10.17537/2019.14.570.

8. Nian SC, Fang YC, Huang MS. In-mold and Machine Sensing and Feature Extraction for Optimized IC-tray Manufacturing. Polymers. 2019;11(8):1348. https://doi.org/10.3390/polym11081348.

9. Bruzda J. Demand forecasting under fill rate constrains – The case of reorder points. Int J Forecast. 2020;36(4):1342–1361. https://doi.org/10.1016/j.ijforecast.2020.01.007.

10. Жуков ГА, Михайлусь ВЕ, Осадчая АВ. Применение нейросетей и машинного обучения в прогнозировании экономических процессов. Индустриальная экономика. 2025;(4):18–24. Режим доступа: https://elibrary.ru/dpaafr.

11. Авилов КК, Романюха АА. Математическое моделирование процессов распространения туберкулеза и выявления больных. Автоматика и телемеханика. 2007;(9):145–160. Режим доступа: https://www.mathnet.ru/at1056.

12. Бекембаева ГС, Хауадамова ГТ. Математическое моделирование в эпидемиологии туберкулеза детско-подросткового возраста в РК. Медицина и экология. 2009;(1):31–36. Режим доступа: https://cyberleninka.ru/article/n/matematicheskoe-modelirovanie-v-epidemiologii-tuberkuleza-detskopodrostkovogo-naseleniya-v-rk.

13. Хантаева НС, Михалевич ИМ, Кулеш ДВ. Анализ и прогнозирование эпидемиологических показателей по туберкулезу на основе использования многомерных методов исследования. Бюллетень Восточно-Сибирского научного центра Сибирского отделения Российской академии медицинских наук. 2011;(2):184–189. Режим доступа: https://elibrary.ru/oigqdh.

14. Кузин АА, Глушаков РИ, Парфенов СА. Сапожников КВ, Лазарев АА. Разработка системы прогноза развития инфекционных заболеваний на основе искусственного интеллекта. Фундаментальная и клиническая медицина. 2023;8(3):143–154. https://doi.org/10.23946/2500-0764-2023-8-3-143-154.

15. Черняев ИА, Цветков АИ, Чугаев ЮП, Чернавин ПФ. Прогнозирование тенденций эпидемической ситуации по туберкулезу с применением имитационной динамической модели. Уральский медицинский журнал. 2023;22(5):58–65. https://doi.org/10.52420/2071-5943-2023-22-5-58-65.

16. Косова АА, Чалопа ВИ, Ковтун ОП. Методы моделирования и прогнозирования динамики эпидемического процесса инфекционных болезней. Уральский медицинский журнал. 2023;22(4):102–112. https://doi.org/10.52420/2071-5943-2023-22-4-102-112.

17. Криворотько ОИ, Андорная ДВ, Кабанихин СИ. Анализ чувствительности и практическая идентифицируемость математических моделей биологии. Сибирский журнал индустриальной математики. 2020;23(1):107–125. https://doi.org/10.33048/SIBJIM.2020.23.110.

18. Сысоева ОВ, Васина АВ, Киселева ОН, Горячева ТВ. Кластеризация регионов по уровню достижения целей устойчивого развития при укреплении технологического суверенитета страны. Ars Administrandi (Искусство управления). 2025;17(2):374–402. https://doi.org/10.17072/2218-9173-2025-2-374-402.

19. Сельцовский ПП, Чижова ОВ, Белиловский ЕМ. Классификация территорий по показателям заболеваемости и смертности от туберкулеза. Туберкулез и социально значимые заболевания. 2025;13(2):4–11. https://doi.org/10.54921/2413-0346-2025-13-2-4-11.

20. Hernandez JBR, Kim PY. Epidemiology Morbidity And Mortality. In: StatPearls. Treasure Island (FL): StatPearls Publishing; 2022. Available at: https://www.ncbi.nlm.nih.gov/books/NBK547668/.

21. Austin PC. A Tutorial on Multilevel Survival Analysis: Methods, Models and Applications. Int Stat Rev. 2017;85(2):185–203. https://doi.org/10.1111/insr.12214.

22. Nascimento AQ, Dantas DB, Melo GS, Gomes FC, de Melo Neto J. Impact of sociodemographic factors and screening, diagnosis, and treatment strategies on colorectal cancer mortality in Brazil: A 20-year ecological study. PLoS ONE. 2022;17(9):e0274572. https://doi.org/10.1371/journal.pone.0274572.

23. Попков АЮ. Рандомизированное машинное обучение нелинейных моделей с применением к прогнозированию развития эпидемического процесса. Автоматика и телемеханика. 2021;(6):149–168. https://doi.org/10.31857/S0005231021060064.

24. Редько АН, Михайлова ЮВ, Стерликов СА, Михайлов АЮ, Панкова ЯЮ. Трудовые потери вследствие туберкулеза в России в 2010–2022 гг. Туберкулез и болезни легких. 2025;103(2):80–87. https://doi.org/10.58838/2075-1230-2025-103-2-80-87.

25. Веселова ЕИ, Каминский ГД, Кочарян КА, Перегудова АБ, Ловачева ОВ, Самойлова АГ. Прогнозная модель течения ВИЧ-инфекции. Туберкулез и болезни легких. 2024;102(1):6–11. https://doi.org/10.58838/2075-12302024-102-1-6-11.

26. Загдын ЗМ, Кобесов НВ, Русакова ЛИ, Васильева ИА, Александрова ОЮ, Галоян АС. Глобальное бремя туберкулеза в России и в мире как проблема общественного здоровья (историко-аналитический обзор). Туберкулез и болезни легких. 2023;101(5):78–88. https://doi.org/10.58838/2075-1230-2023-101-5-78-88.

27. Бурыхин ВС, Васильева ИА, Стерликов СА, Тестов ВВ, Кудрина ВГ, Урушадзе НД. Моделирование условий и результатов внедрения укороченных режимов лечения больных туберкулезом. Туберкулез и болезни легких. 2023;101(6):8–12. https://doi.org/10.58838/2075-1230-2023-101-6-8-12.

28. Старшинова АА, Довгалюк ИФ, Осипов НН, Кудлай ДА. Уроки пандемии COVID-19: моделирование эпидемической ситуации по туберкулезу в зависимости от охвата скринингом населения. Туберкулез и болезни легких. 2023;101(6):56–65. https://doi.org/10.58838/2075-1230-2023-101-6-56-65.

29. Кравченко АФ, Смердин СВ, Фролов ЕГ, Унтанова ЛС. Цифровые технологии в системе мониторинга профилактического обследования лиц из групп риска по заболеванию туберкулезом. Туберкулез и социально значимые заболевания. 2025;13(3):4–11. https://doi.org/10.54921/2413-0346-2025-13-3-4-11.

30. Маркелов ЮМ, Щеголева ЛВ. Использование математической модели для оценки количества невыявленных больных в административных регионах Российской Федерации. Экология человека. 2010;(1):50–55. Режим доступа: https://elibrary.ru/kyzhgh.

31. Маркелов ЮМ, Щеголева ЛВ. Оценка клинико-экономической эффективности и влияния массовых флюорографических осмотров на эпидемиологические показатели по туберкулезу в четырех федеральных округах РФ с различным уровнем охвата флюорографическими осмотрами населения. Туберкулез и болезни легких. 2023;101(1):8–16. https://doi.org/10.58838/2075-1230-2023-101-1-8-16.